Technologie Waikay : architecture et méthodologie de monitoring IA

1. Architecture du système d'interrogation des LLMs

Infrastructure technologique de base

Waikay s’appuie sur la technologie InLinks existantes :

• Graphe de connaissances contenant 100 millions d’entités et 10 milliards de relations dans 13 langues
• Algorithme propriétaire de reconnaissance d’entités nommées (NER) offrant des performances 5 fois supérieures à celles de Google NLP
• Structure de graphe semi-orienté à relations sémantiques unidirectionnelles
• Synchronisation quotidienne avec Wikipédia, DBpedia et Google Knowledge Graph
• Processus automatisés de vérification et de filtrage garantissant la qualité des données

Adaptation du Knowledge Graph pour le monitoring IA

Waikay applique la même technologie de graphe de connaissances qu’InLinks, mais dans une architecture multi-instance :

Cette approche multi-KG permet de comparer précisément les écarts entre la réalité de la marque et la perception de chaque modèle.

2. Méthodologie d'interrogation multi-modèles

Modèles d’IA cibles

Waikay interroge simultanément quatre modèles d’IA principaux :

Stratégie de la double requête

Pour Gemini, le système exécute deux requêtes distinctes via le prompt engineering :

1. Requête explicite limitant les réponses aux seules données d’entraînement
2. Requête de recherche ancrée autorisant la recherche en temps réel (grounded search)

Pour les autres modèles, le R.A.G. est déployé.

3. Méthodologie d'analyse comparative

Analyse bidirectionnelle marque/sujet

Waikay implémente une approche bidirectionnelle d'analyse, inspirée des travaux de recherche sur l'association des marques dans les réseaux de modèles de langage. Cette méthodologie interroge les LLM dans deux directions :

1. De la marque aux entités : quelles entités/sujets les LLMs associent-ils à votre marque ?
2. Des entités aux marques : quelles marques les LLMs associent-ils à des sujets spécifiques ?

Cette double interrogation génère des données riches et exploitables sur les associations sémantiques, et permet une analyse plus complète du positionnement de marque dans l'univers IA. Les données résultantes alimentent directement les rapports thématiques, faisant émerger le score de compréhension IA et la classification des lacunes pour chaque marque.

Cette approche s’inspire des recherches de Dan Petrovic sur l’analyse bidirectionnelle de l’association de marques dans les réseaux de modèles linguistiques.

Processus d’analyse tripartite

Waikay analyse systématiquement :

• Le site ou la marque principal(e)
• Deux sites concurrents sélectionnés
• Analyse comparative des réponses pour les trois entités

4. Extraction d'informations et classification des lacunes

Définition des faits

Un fait représente une déclaration complète et affirmative que les LLMs utilisent pour décrire une marque dans le cadre de prompts contextuels marque-secteur. Ces faits permettent d'identifier les informations exactes, erronées ou manquantes dans la représentation IA d'une marque. Chaque fait peut être remonté jusqu'à ses sources pour une correction directe ou une optimisation sur des sites tiers.

Classification automatique des écarts

L'analyse des faits permet d'identifier les lacunes : les écarts entre la perception de l'IA et la réalité de la marque. Ces lacunes se manifestent par des faits manquants, incorrects ou insuffisants. Les lacunes sont automatiquement catégorisées sur la base d'une hiérarchisation confidentielle des types d'entités nommées absentes des réponses des LLM, avec des seuils dérivés directement des non-alignements entre le graphe de connaissances de la marque et les graphes de connaissances des LLM.

Le système classe les lacunes identifiées comme suit :

• Critical Topic Gaps (écarts critiques)
• Significant Topic Gap (écarts importants)
• Moderate Topic Gaps (écarts modérés)

5Infrastructure and Performance

Architecture du système

Gestion des appels multi-API

Le système utilise une architecture de microservices pour gérer les interactions simultanées avec différents LLM. Les détails spécifiques de l'infrastructure restent confidentiels en raison d'un brevet en cours de dépôt. Brevet en cours de dépôt.

Absence de limitation de débit

Le système ne rencontre aucune "rate limit" dans ses interactions avec les modèles d'IA, permettant des analyses fluides et continues.

Fréquences d’analyse configurables

6. Algorithmes de scoring et métriques

Score de compréhension IA

Le score de compréhension IA est le résultat principal des rapports thématiques. Il mesure dans quelle mesure un modèle d'IA comprend et représente une marque ou un sujet spécifique, en construisant des graphes de connaissances comparatifs pour la marque et pour la perception de chaque modèle d'IA, puis en calculant des scores d'alignement à l'aide de métriques NLP appliquées au graphe de 100 millions d'entités. L'algorithme propriétaire utilise la désambiguïsation contextuelle pour analyser 10 milliards de relations sémantiques. Les détails complets de la méthodologie restent confidentiels en raison du statut de brevet en attente. Brevet en cours de dépôt.

Le score déclenche directement la classification automatisée des lacunes et alimente le module Plans d'action.

La part de voix IA

La part de voix IA est un résultat du suivi des prompts. Les réponses aux prompts commerciaux sont enregistrées dans le temps sur l'ensemble des modèles d'IA. Chaque marque mentionnée dans chaque réponse est identifiée, normalisée au niveau de la marque mère via le graphe de connaissances d'entités, et agrégée pour produire un score de part de voix IA exprimé en pourcentage.

La formule utilise un dénominateur ouvert dérivé directement des sorties des modèles d'IA :

La sphère concurrentielle étant dérivé de ce que l'IA dit réellement plutôt que d'une liste de concurrents définie manuellement, il n'y a pas de plafond artificiel à l'analyse concurrentielle. Les marques qui commencent à apparaître dans les réponses des IA sont automatiquement prises en compte. Pour plus de détails sur la méthodologie, voir Qu'est-ce que la part de voix IA.

Score de présence thématique IA

La présence topique IA est le troisième résultat du suivi des prompts. Les réponses aux prompts commerciaux sont traitées pour calculer un score de présence topique IA par marque. Le score combine trois composantes normalisées (Profondeur, Étendue, Concentration) via une formule additive pondérée : TP = ( α × ProfondeurNorm + β × ÉtendueNorm − γ × Concentration ) × 100. Le score est relatif au marché, normalisé par rapport à la marque obtenant le score le plus élevé dans la sphère concurrentielle.

La présence topique et la part de voix sont représentées ensemble sous forme de carte quadrant, avec la part de voix sur un axe et la présence topique sur l'autre. Cela révèle une dimension que la part de voix seule ne peut pas capturer : une marque peut apparaître fréquemment dans les réponses des IA (part de voix élevée) sans être évoquée en profondeur sur un large éventail de sujets pertinents (présence topique faible). Le quadrant rend cette distinction visible. Une marque avec une part de voix élevée et une présence topique faible apparaît souvent mais superficiellement, tandis qu'une marque avec une présence topique élevée et une part de voix plus faible a construit de solides associations thématiques sans encore avoir atteint une large diffusion. Chaque quadrant pointe vers une réponse stratégique différente.

Suivi des scores

Le score de compréhension IA (issu des rapports thématiques) et les trois scores de suivi des prompts (visibilité IA, part de voix IA, présence topique IA) sont tous suivis dans le temps par modèle, fournissant le score le plus récent, le score moyen et l'historique des scores. Une attribution précise au modèle avec horodatages de récupération permet la comparaison des performances relatives entre marques sur n'importe quelle fenêtre temporelle.

7. Résultats et fonctionnalités techniques

Génération automatisée de plans d’action

Transformation des écarts en recommandations

Le système analyse les lacunes identifiées et génère automatiquement des plans d'action structurés, classés par priorité et impact. Ces plans d'action GEO transforment les données analytiques en étapes concrètes d'optimisation de contenu.

Traçabilité des sources

Mapping complet des URL

• Identification de toutes les sources (URL) utilisées par chaque LLM dans la génération de réponses
• Classement par récurrence : nombre et fréquence des citations
• Décomposition par modèle (ex. : 9 citations au total : 4 de ChatGPT, 2 de Perplexity, 1 de Claude, 1 de Gemini)
• Structure organisée par domaine avec URLs précises

Validation granulaire

Gestion des hallucinations

La détection des hallucinations dans les facts s'appuie sur l'expertise métier du client, seul en mesure de valider l'exactitude des informations concernant sa marque, ses produits et services spécifiques. Le système fournit tous les éléments nécessaires au jugement (sources, contexte, historique) via l'interface de validation, mais la décision finale revient logiquement à l'expertise humaine.

Système de validation "fait par fait"

Chaque affirmation extraite peut être :

Suivi de progression : l'interface affiche le nombre de faits révisés (ex. : 2/77 faits traités).

8. Architecture de navigation

Organisation modulaire

L'interface Waikay s'organise en cinq modules :

• Rapports thématiques : analyse par sujet montrant avec quelle intensité les modèles d'IA associent une marque à chaque sujet commercial de son marché. Produit le score de compréhension IA et identifie les lacunes critiques, significatives et modérées.
• Suivi des prompts : surveille si une marque apparaît dans les réponses des IA à des requêtes spécifiques sur l'ensemble des modèles suivis, et à quelle fréquence. Produit les scores de part de voix IA et de présence topique IA.
• Faits : extrait et valide les déclarations affirmatives individuelles que les modèles d'IA font sur une marque. Chaque fait est tracé jusqu'à sa source et peut être vérifié, signalé ou supprimé.
• Sources : identifie chaque URL citée par chaque modèle d'IA dans les réponses liées à la marque, avec classification par récurrence et décomposition par modèle.
• Plans d'action : génère automatiquement des recommandations de contenu GEO/AIO priorisées, dérivées de l'analyse des lacunes dans les rapports thématiques et les faits.

Workflow d’utilisation

1. Rapports thématiques : lancez une analyse pour votre marque et jusqu'à deux concurrents afin d'établir les scores de compréhension IA de référence et faire émerger les lacunes thématiques.
2. Suivi des prompts : configurez des requêtes pour suivre la fréquence d'apparition de votre marque, la part de voix et la présence topique dans le temps.
3. Faits : passez en revue les déclarations des IA sur votre marque, validez les faits exacts et signalez les erreurs pour correction.
4. Sources : identifiez les domaines cités par les modèles d'IA et priorisez vos actions de sensibilisation en conséquence.
5. Plans d'action : recevez des recommandations de contenu générées automatiquement sur la base des lacunes identifiées et commencez leur mise en œuvre.

10. Specifications techniques

Formats de données

Capacités d'importation/exportation

• Format CSV pour les données tabulaires
• Format JSON pour les structures complexes
• Intégration Looker Studio (en cours de développement)

API en developpement

API actuellement en développement pour :

• Plans d'action
• Rapports thématiques
• Suivi des prompts

Capacités et limitations

Capacités illimitées

• Sujets analysés : illimités
• Fréquence d'analyse : configurable (quotidienne / hebdomadaire / mensuelle / manuelle)

Performance de traitement et métriques comparatives

Les tests sur plus d'un million de pages web démontrent une performance moyenne 5x supérieure à Google NLP en détection d'entités, avec des variations sectorielles (facteur 4x dans l'immobilier/tourisme, facteur 12x dans les appareils électroménagers/outillage).

Couverture linguistique

Le système prend en charge 47 langues à travers le monde. Les performances sont optimisées pour l'anglais et le français comme langues de référence, l'architecture unifiée permettant le déploiement dans toutes les langues prises en charge.

Validation de précision

La précision d'extraction des faits dépasse 99 %, validée par une analyse interne utilisant des outils de comparaison propriétaires.

11. Positionnement concurrentiel

Différenciation technologique

Fonctionnalités et capacités uniques

Waikay offre plusieurs capacités sans équivalent sur le marché :

Particularités du suivi des prompts

Le suivi des prompts de Waikay est conçu pour les prompts commerciaux et produit trois résultats distincts : la visibilité IA (fréquence à laquelle une marque est citée par les LLMs), la part de voix IA (mentions de la marque en pourcentage de toutes les mentions de marques, avec un dénominateur ouvert dérivé des sorties des IA plutôt qu'une liste de concurrents définie manuellement), et la présence topique IA (un score pondéré combinant profondeur, étendue et concentration de la couverture thématique). La combinaison des trois dans un seul module de suivi des prompts, sans limite d'analyse concurrentielle, est sans équivalent sur le marché.